qq_49189614的博客

  Python 的对象天生拥有一些神奇的方法，它们总被双下划线所包围，他们是面向对象的 Python 的一切。  他们是可以给你的类增加魔力的特殊方法，如果你的对象重载了这些方法中的某一个，那么这个方法就会在特殊的情况下被 Python 所调用，你可以定义自己想要的行为，而这一切都是自动发生的。基本魔法方法功能说明__ new__(cls[, …])        1.__new__是在一个对象实例化的时候所调用的第一个方法 2. 它的第一个参数是这个类，其他的参数是用来直接传递

文章目录1 N VS 1的RNN结构2 序列分类问题与数据生成3 在TensorFlow中定义RNN分类模型3.1 定义模型前的准备工作3.2 定义RNN分类模型3.3 定义损失并进行训练4 模型的推广5 总结  在这篇文章中，将专注于另一种RNN结构；N VS 1。这种结构的输入为序列，输出为类别，因此可以解决序列分类问题。常见的序列分类问题有文本分类、时间序列分类、音频分类等等。这篇文章会使用TensorFlow制作一个简单的两类序列分类器1 N VS 1的RNN结构  先来简单地复习N VS 1

文章目录1、实现RNN的基本单元：RNNCell2、对RNN进行堆叠：MultiRNNCall3、BasicRNNCell和BasicLSTMCell的output4、使用tf.nn.dynamic_rnn展开时间维度1、实现RNN的基本单元：RNNCell  RNNCall是TensorFlow中的RNN基本单元。它本身是一个抽象类，在本节中学习它两个可以直接使用的子类，一个是BasicRNNCell，还有一个是BasicLSTMCell，前者对应基本的RNN，后者是基本的LSTM。学习RNNCal

先决条件  在阅读这个教程之前，你多少需要知道点Python。如果你想从新回忆下，请看看Python Tutorial.  如果你想要运行教程中的示例，你至少需要在你的电脑上安装了以下一些软件:  Python  NumPy  这些是可能对你有帮助的:  python是一个净强化的交互Python Shell，对探索NumPy的特性非常方便。  matplotlib将允许你绘图  Scipy在NumPy的基础上提供了很多科学模块一、基础篇  NumPy的主要对象是同种元素的多维数组。这是

文章目录一、神经网络二、卷积神经网络三、循环神经网络一、神经网络  1、神经元  就像形成我们大脑基本元素的神经元一样，神经元形成神经网络的基本结构。想象一下，当我们得到新信息时我们该怎么做。当我们获取信息时，我们一般会处理它，然后生成一个输出。类似地，在神经网络的情况下，神经元接收输入，处理它并产生输出，而这个输出被发送到其他神经元用于进一步处理，或者作为最终输出进行输出。                   2、权重（Weights）  当输入进入神经元时，它会乘以一个权重。例如，如果一个神

一、LSTM处理回归问题import numpy as npfrom matplotlib import pyplot as pltfrom pandas import read_csvimport mathfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers import LSTMfrom sklearn.preprocessing import MinMaxScalerfro

import numpy as npfrom pandas import read_csvfrom matplotlib import pyplot as pltimport mathfrom keras.models import Sequentialfrom keras.layers import Denseseed = 7batch_size = 2epochs = 200filename = 'international-airline-passengers.csv'foote

文章目录一 RNN概述1.1 BP算法,CNN之后, 为什么还有RNN?1.2 什么是RNN?1.3 RNN的主要应用领域有哪些呢?二 RNN(循环神经网络)2.1 RNN模型结构2.2 RNN的反向传播三 RNN的一些改进算法3.1 LSTM算法(Long Short Term Memory, 长短期记忆网络 )3.2 GRU算法四 基于Tensorflow的基本操作和总结一 RNN概述  前面我们叙述了BP算法, CNN算法, 那么为什么还会有RNN呢?? 什么是RNN, 它到底有什么不同之

分析某部电影是好电影还是不好的电影。数据集由IMDB（http://www.imdb.com/interfaces/）提供。一、导入数据数据通过keras的imdb.load_data()函数导入，为了便于在训练中使用数据集，keras提供的数据集将单词转化成整数，这个整数代表单词在整个数据集中的流行程度。导入数据后，将训练数据和评估数据集合并，并查看相关统计信息，如中值和标准差，结构通过箱线图和直方图展示，代码如下：from keras.datasets import imdbimport nu

一、简单卷积神经网络首先构建一个简单的神经网络（CNN），来验证卷积神经网络在这个数据集上的性能，并以此为基础对网络进行优化，逐步提高模型的准确度。数据集中的图像是像素32X32的彩色图片，因此数据中包括红、蓝、绿三个维度，范围是0—255的像素值。在使用数据训练算法前，简单地将数据调到0—1.输出结果具体分为10类，因此需要将其进行one-hot编码，以适用于模型的输出。这个简单的卷积神经网络具有两个卷积层、一个池化层、一个Flatten层和一个全连接层，网络拓扑结构如下：（1）卷积层：具有32个

功能包括：特征标准化；ZCA白化；随机旋转、移动、剪切和反转图像；维度排序；保存增强后的图像。创建配置ImageDataGenerator之后，通过fit()函数使其适用于数据集，这个过程计算实际执行图像数据转换中所需的全部统计信息。一、增强前的图像原始图像：from keras.datasets import mnistfrom matplotlib import pyplot as plt# 从Keras导入Mnist数据集(X_train, y_train), (X_vali

为了展示卷积神经网络的优势，采用多层感知机来做对比。一、多层感知机模型为了确保每次执行代码生成相同的模型，数据导入之后设定随机数种子。并查看最初的4张手写数字图片。所有图像都是28*28像素的文件。输入层（784个输入）->隐藏层（784个神经元）->输出层（10个神经元）数据集是三维向量，通过下面这个函数应该转化为2维向量。num_pixels = X_train.shape[1] * X_train.shape[2]对于多层感知机，模型的输入是二维的向量，因此这里需要将数据集r

文章目录一、如何帮助神经网络识别图像？二、什么是神经网络？三、什么是卷积神经网络？3.1 案例3.2 图像输入3.3 提取特征3.4 卷积（convolution）3.5 池化（Pooling）3.6 激活函数RelU (Rectified Linear Units)3.7 深度神经网络3.8 全连接层(Fully connected layers)3.9 卷积神经网络（Convolutional Neural Networks）3.10 对卷积神经网络的总结  网上关于卷积神经网络的相关知识以及数不胜数

一、神经网络中的dropoutdropout是一种针对神经网络模型的正则化方法。是在训练过程中，随机的忽略部分神经元。它强迫一个神经元单元和随机挑选出来的其他神经单元共同工作，达到较好的效果，减弱了神经节点间的联合适应性，增强了泛化能力。经过验证，隐含节点dropout率等于0.5的时候效果最好。此时dropout随机生成的网络结构最多，dropout也可以用在输入层，作为一种添加噪音的方法。在keras的每个权重更新周期中，按照给定概率（如20%），随机选择要丢弃的节点，以实现dropout。drop

1. Dropout简介1.1 Dropout出现的原因在机器学习的模型中，如果模型的参数太多，而训练样本又太少，训练出来的模型很容易产生过拟合的现象。在训练神经网络的时候经常会遇到过拟合的问题，过拟合具体表现在：模型在训练数据上损失函数较小，预测准确率较高；但是在测试数据上损失函数比较大，预测准确率较低。过拟合是很多机器学习的通病。如果模型过拟合，那么得到的模型几乎不能用。为了解决过拟合问题，一般会采用模型集成的方法，即训练多个模型进行组合。此时，训练模型费时就成为一个很大的问题，不仅训练多个模型费

1、JSON序列化模型JSON是一种轻量级数据交换格式。Keras提供了to_json()函数生成模型的JSON描述，并将模型的JSON描述保存到文件中。反序列化时，通过model_from_json()函数加载JSON描述，并编译成模型，从而可以将模型部署到生产环境，并使用模型对新数据进行预测。使用save_weight()函数可以保存模型的权重值，并在加载模型时使用load_weights()函数加载模型的权重信息。当有新数据需要预测时，从保存的文件加载的模型和权重信息，并创建一个新的模型，通过加

数据集从UCI机器学习仓库下载（http://archive.ics.uci.edu/ml/datasets/Bank+Marketing）数据集包含16个输入项和一个输出项。数据需要从CSV文件导入，使用Pandas的read_csv()函数来导入数据。使用scikit_learn提供的StandardScaler函数对数据进行标准化。（在交叉验证进行之前）使用scikit_learn提供的GridSearchCV函数对整个神经网络的拓扑结构调参。下例代码为单层模型，且与输入属性相同数量神经元的

因为这是一个回归问题，不需要将预测结果进行分类转换，所以输出层不设置激活函数，直接输出数值。下例为14个特征输入，最后一个特征是自住房屋价中位数（应该算目标）。用了数据标准化，调参隐含层和神经元from sklearn import datasetsimport numpy as npfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.wrappers.scikit_learn import K

数据集可以从UCI机器学习仓库下载（http://archive.ics.uci.edu/ml/datasets/Iris）深度学习中要求数据全部都是数据下例，数据集具有4个数值型输入项目，输出项目是鸢尾花的3个子类。使用scikit-learn中提供的数据集。输入层（4个输入）—> 隐藏层（4个神经元）—> 隐藏层（6个神经元）—> 输出层（3个输出）from sklearn import datasetsimport numpy as npfrom keras.models

一、使用交叉验证评估模型KerasClassifier和kerasregressor类使用参数build_fn，指定用来创建模型的函数的名称。因此，必须定义一个函数，并通过函数来定义深度学习的模型，编译并返回它。在下面的例子中，定义了利用create_model()函数来创建一个简单的多层神经网络。函数解释： cross_val_score(estimator, X, y=None,